基于人工神经网络的NoC智能动态链路管理方法

摘要

功耗是片上网络(NoC)主要限制因素,链路状态的选择性开/关切换算法可降低电路级和系统级的链路功耗,这些算法大多集中于一个简单的静态阈值触发机制,该机制决定了是否应该打开或关闭链路;为解决上述触发机制存在诸多限制,提出了一种针对NoC的人工神经网络(ANN,artificial neutral network)作为动态链路功耗管理方法,该方法基于对系统状态的有监督在线学习,通过使用小型可扩展的神经网络来关闭和打开链路,从而提高预测能力;基于人工神经网络的模型利用了非常低的硬件资源,并且可以集成在大型网状和环面NoC中;通过对不同网络拓扑上各种综合流量模型的仿真结果表明,与静态阈值计算相比,该方法在较低的硬件支出下可以节省功耗;可为解决链路管理NoC中的功耗问题提供思路。